IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION Dila Deswari[1], Hendrick, MT.[2], Derisma, MT.[3] Jurusan Sistem Komputer, Fakultas Teknologi Informasi, Universitas Andalas[1][3] Jurusan Teknik Elektro, Politeknik Negeri Padang[2] Abstrak Identifikasi kematangan buah tomat pada rumah kaca masih banyak dilakukan secara manual oleh petani rumah kaca. Cara manual dilakukan berdasarkan pengamatan visual secara langsung pada buah yang akan diklasifikasi. Perkembangan teknologi informasi memungkinkan identifikasi tingkat kematangan buah berdasarkan ciri warna dengan bantuan komputer. Cara komputasi ini dilakukan dengan menggunakan webcam sebagai pengolah citra dari gambar yang direkam (image processing). Buah tomat diidentifikasi berdasarkan input histogram warna citra yang didapat dari hasil capture. Dari beberapa sampel pola data buah tomat dengan tingkatan kematangan yang berbeda diinputkan pada jaringan syaraf tiruan backpropagation untuk menghasilkan nilai bobot. Nilai bobot yang diperoleh tersebut digunakan untuk proses identifikasi buah tomat masak, muda, dan setengah masak. Tingkat identifikasi kematangan buah tomat menggunakan metoda backpropagation ini berhasil dengan tingkat keberhasilan identifikasi 71,76%. Dari hasil identifikasi yang telah dilakukan menghasilkan tiga output identifikasi yaitu tomat masak 85%, muda 45%, dan setengah masak 85%. Tingkatan keberhasilan identifikasi dipengaruhi oleh faktor pencahayaan terhadap citra yang diidentifikasi. Kata kunci : Tomat, Histogram Warna, Jaringan Syaraf Tiruan, Backpropagation. 1.
PENDAHULUAN Cara mengidentifikasi dan mendeteksi kematangan buah yang dilakukan di rumah kaca masih banyak menggunakan cara manual. Cara manual dilakukan berdasarkan pengamatan visual secara langsung pada buah yang akan diklasifikasi. Kelemahan pengklasifikasian manual sangat dipengaruhi subjektifitas operator sortir sehingga pada kondisi tertentu tidak konsisten proses pengklasifikasiannya[8]. Perkembangan teknologi informasi memungkinkan identifikasi buah berdasarkan ciri warna dengan bantuan komputer[11]. Cara komputasi ini dilakukan dengan pengamatan visual tidak langsung dengan menggunakan kamera sebagai pengolah citra dari gambar yang direkam (image processing) untuk kemudian diolah dengan menggunakan perangkat lunak komputer[8]. Pada tugas akhir ini penulis melakukan penelitian pada identifikasi tingkat kematangan buah tomat berdasarkan warna.
Identifikasi ini menggunakan aplikasi jaringan syaraf tiruan (JST) dengan metode pembelajaran backpropagation. Objek yang diamati yaitu buah tomat yang berbeda tingkat kematangannya berdasarkan warna. Informasi citra dari buah tomat yang diamati menggunakan bantuan video kamera atau webcam. Webcam dan software diintegrasikan ke komputer menggunakan jaringan syaraf tiruan agar komputer dapat mengenali informasi citra buah tomat tersebut. 2.
LANDASAN TEORI Tomat (Lycopersicum esculentum) adalah tumbuhan dari keluarga Solanaceae, tumbuhan asli Amerika Tengah dan Selatan, dari Meksiko sampai Peru. Kata "tomat" berasal dari kata dalam bahasa Nahuat, dimana tomat merupakan keluarga dekat dari kentang[12].
Pengolahan Citra Pengolahan citra adalah pemrosesan citra atau image processing, khususnya dengan menggunakan komputer menjadi citra yang kualitasnya lebih baik. Dengan kata lain pengolahan citra adalah kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (komputer)[14]. Representasi Warna Warna merupakan respon physiological dan intensitas yang berbeda. Persepsi warna dalam pengolahan citra tergantung pada tiga faktor, yaitu spectral reflectance (menentukan bagaimana suatu permukaan memantulkan warna), spectral content (kandungan warna dari cahaya yang menyinari permukaan) dan spectral response (kemampuan merespon warna dari sensor dalam imaging system)[2]. Representasi warna ini terdiri dari tiga unsur utama yaitu merah (red), hijau (green), dan biru (blue). Gabungan tiga warna ini membentuk warna-warna lainnya berdasarkan intensitas dari masing-masing warna tersebut dengan intesitas maksimal, dan warna hitam merupakan gabungan dari ketiga warna tersebut dengan intensitas minimal. Dalam tugas akhir ini menggunakan model warna RGB. Tingkat RGB pola bit dikomposisikan dari tiga warna tersebut dan masing-masing warna mempunyai 28 atau 256 bit (0 - 255). Model warna RGB yang dapat dinyatakan dalam bentuk indeks warna RGB dengan cara menormalisasi setiap komponen warna dengan persamaan sebagai sebagai berikut[2] : r=
..................... (2.2.3)
g=
..................... (2.2.4)
b=
..................... (2.2.5)
Histogram Warna Histogram warna atau color histogram adalah representasi distribusi warna dalam sebuah gambar yang
didapatkan dengan menghitung jumlah pixel dari setiap bagian range warna, secara tipikal dalam dua dimensi atau tiga dimensi. Dalam pembuatan histogram, nilai RGB mempunyai range dari 0 sampai 255 akan punya kemungkinan kombinasi warna sebesar 16777216 (didapat dari: 255 x 255 x 255).
Gambar 1. Gambar Berwarna "A" dan Histogramnya Tabel 1. Color Histogram gambar "A"
Jaringan Syaraf Tiruan Backpropagation Jaringan saraf tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologis. Seperti proses informasi pada otak manusia, cara kerja jaringan syaraf tiruan sama dengan cara kerja manusia yaitu belajar melalui contoh. Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan, serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan[7]. Pelatihan Bacpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit
dilayar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. 3. METODOLOGI DAN PERANCANGAN Metodologi yang dikerjakan pada tugas akir ini: 1. Studi Literatur 2. Pra Proses Meliputi : capture buah tomat oleh webcam, citra hasil capture akan mengalami image processing yaitu proses histogram warna. 3. Proses Identifikasi Kematangan Buah Tomat a. Arsitektur Backpropagation
Gambar 3. Perancangan Software
Secara garis besar proses dapt dikelompokkan menjadi dua bagian yaitu proses pelatihan data (pembelajaran backpropagation) dan identifikasi kematangan buah tomat. Proses pelatihan berguna untuk melatih sistem dengan memasukkan data-data inputan ke dalam sistem Neural Network kemudian data tersebut diolah dengan menggunakan metode backpropagation. Perancangan Mekanik Perancangan mekanik tugas akhir ini menggunakan latar pengambilan capture objek, webcam yang terintegrasi dengan laptop.
Gambar 2. Arsitektur Backpropagation
Perancangan backpropagation ini menggunakan 3 unit input, 4 node hidden layer dan 3 unit output. b. Rancangan pembelajaran (training) backpropagation : Citra – histogram warna – pola – training – bobot. c. Rancangan proses identifikasi backpropagtion : Citra – histogram warna – pola – indentifikasi (dari bobot). Gambar 4. Perancangan Mekanik
Perancangan Software
4. HASIL DAN ANALISA Implementasi Tahap implementasi ini adalah mengimplementasikan metodologi dan perancangan sistem pada bab 3, sehingga didapatkan sebuah perangkat lunak (software) untuk melakukan pengenalan atau identifikasi tingkat kematangan buah tomat berdasarkan warna.
Gambar 6. Histogram Warna pada Tomat no.1 tabel 2 Gambar 5. Interface Program Utama
Hasil Data Histogram Warna Dilakukan pemrosesan awal dengan beberapa kali pengambilan data histogram untuk buah tomat yang memiliki tingkat kematangannya berbeda. Dibawah ini salah satu data dari beberapa pengambilan data nilai histogram warna buah tomat :
Hasil Data Training Backpropagation Proses training backpropagation menggunakan 3 sampel pola data yang mencirikan masing-masing tingkat kematangan buah tomat (3 sampel data buah tomat masak warna merah, 3 buah tomat muda warna hijau, dan 3 sampel buah tomat setengah matang warna campur), berikut citra buah tomat yang digunakan pada proses traning :
Tabel 2. Beberapa Data Nilai Histogram Tomat Tabel 3. Sampel Data Buah Tomat Masak
Tabel 4. Sampel Data Buah Tomat Muda
Tabel 4. Sampel Data Buah Tomat Muda
Training backpropagation dilakukan sebanyak 50000 kali iterasi untuk mendapatkan nilai bobot buah matang, muda, dan setengah matang. Nilai bobot ini
akan digunakan pada proses identifikasi untuk mengenali tingkat kematangan buah tomat. Hasil Data Identifikasi Diambil beberapa data dari tomat merah yang ditargetkan buah masak (1 1 1), tomat hijau yang ditargetkan buah tomat muda (0 0 0), dan tomat campur yang ditargetkan buah setengah masak (0 1 0).
Gambar 9. Hasil Identifikasi Buah Tomat Campur (Setengah Masak)
Untuk buah tomat setengah masak diambil data identifikasi sebanyak 20 buah data, dari 20 data tersebut dapat teridentifikasi sebanyak 17 data.
Gambar 7. Hasil Identifikasi Buah Tomat Merah (masak)
Untuk buah tomat masak diambil data identifikasi sebanyak 20 buah data, dari 20 data tersebut dapat teridentifikasi sebanyak 17 data.
Analisa Dari hasil identifikasi didapatkan tingkat keberhasilan program identifikasi kematangan buah tomat menggunakan backpropagation untuk identifikasi buah tomat masak dan setengah masak lebih tinggi dibanding identifikasi yang buah muda karena untuk pola histogram warna buah muda tidak beraturan karena pengaruh pencahyaan saat pengambilan hasil uji. Dari keseluruhan data yaitu 60 buah data hasil pengujian dapat dirumuskan sebagai berikut :
maka didapatkan :
Tingkat identifikasi buah tomat secara keseluruhan adalah 71,67%. Gambar 8. Hasil Identifikasi Buah Tomat Hijau (muda)
Untuk buah tomat muda diambil data identifikasi sebanyak 20 buah data, dari 20 data tersebut dapat terindentifikasi sebanyak 9 data.
5. PENUTUP Kesimpulan Berdasarkan hasil dari penelitian yang dilakukan dapat diambil beberapa kesimpulan sebagai berikut : 1. Penelitian ini berhasil membangun perangkat lunak yang
2.
3.
mengimplementasikan algoritma backpropagation dalam mengindetifikasi tingkat kematangan buah tomat berdasarkan warna menggunakan webcam dengan tingkat identifikasi 71,76%. Dari hasil identifikasi yang telah dilakukan menghasilkan tiga output identifikasi yaitu tomat masak 85%, muda 45%, dan setengah masak 85%. Identifikasi kematangan buah tomat masak dan setengah masak pada sistem ini lebih akurat dibanding identifikasi tomat muda karena pengaruh pencahayaan.
Saran Beberapa saran-saran yang diharapkan untuk pengembangan tugas akhir ini : 1. Diharapkan pengembangan sistem ini dapat mengatasi masalah pencahayaan dengan penambahan metoda dan spesifikasi webcam yang lebih tinggi, sehingga tomat teridentifikasi lebih akurat. 2. Diharapkan pengembangan sistem identifikasi ini nantinya dapat dilakukan secara realtime. DAFTAR PUSTAKA [1] Achmad, Balza. 2011. Pemrograman Delphi untuk Aplikasi Mesin Visi menggunakan Webcam. Yogyakarta : Gava Media. [2] Arham, Zaenul dkk. 2004. Evaluasi Mutu Jeruk Nipis (Citrus Aurantifolia Swingle) Dengan Pengolahan Citra Digital Dan Jaringan Syaraf Tiruan. Bogor : IPB. [3] Christian N, Denny dkk. 2007. Perancangan Aplikasi Pengenal Plat Nomor Kendaraan Bermotor Dengan Pendekatan Backpropagation. Jakarta : Universitas Bina Nusantara [4] Fadlisyah. 2003. Pengenalan Benda dengan Jaringan Syaraf Tiruan Melalui Video Kamera. Diakses dari http://www.scribd.com/Fadlisyah/d/246448 76-Bab-1 PENGENALAN OBJEKGEOMETRY-JST pada tanggal 10 Maret 2012. [5] Fadlisyah. 2007. Computer Vision dan Pegolahan Citra. Yogyakarta : Penerbit Andi.
[6] Hestiningsih, Idhawati. Tanpa Tahun. Pengolahan Citra. Diakses dari http://images.moedy9.multiply.multiplycont ent.com/attachment/0/SMuuNwoKCBkAA HPHjZk1/Pengolahan%20Citra.pdf?nmid=1 15281461 pada tanggal 12 Maret 2010. [7] Jong Jek Siang. 2009. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab. Yogyakarta : Penerbit Andi. [8] Kastaman, Roni dan Fadhil Abdulfatah. 2009. Analisis Kinerja Perangkat Lunak Pengolah Citra dengan Menggunakan Beberapa Metode Klasifikasi untuk Menentukan Kualitas Buah Manggis. Bandung : Universitas Padjadjaran. [9] Kusumadewi, S. 2003. Artificial Intelligence, (Teori dan aplikasinya). Penerbit Graha Ilmu. Yokyakata. [10] Maulidia, Dewi dan Naufal Zulkarnaen. 2010. Ekstraksi Antioksidan (Likopen) Dari Buah Tomat Dengan Menggunakan Solven Campuran, N – Heksana, Aseton, Dan Etanol. Semarang : Universitas Diponegoro. [11] Noor, M. Helmi dan Moch. Hariadi. 2009. Image Cluster Berdasarkan Warna Untuk Identifikasi Kematangan Buah Tomat Dengan Metode Valley Tracing. Surabaya : ITS. [12] Sabiro, Achmad dkk. Tanpa Tahun. Mengenal Lebih Jauh Tomat. Diakses dari http://www.scribd.com/doc/37846069/Maka lah-TOMAT pada tanggal 20 Maret 2012. [13] Sekar A, Anjani. 2011. Pemanfataan Jaringan Syaraf Tiruan untuk Identifikasi Penyakit Nyeri Otot (Mialgia) pada Punggung Berdasarkan Warna Merah Kerokan. Jakarta : Universitas Pembangunan Nasioanal Veteran Jakarta. [14] Suprayogi, Igif Rizekiya. Identifikasi Bentuk Kendaraan Dengan Menggunakan Jaringan Saraf Tiruan. Malang : Universitas Islam Negeri. [15] Widodo, Yanu. 2009. Penggunaan Color Histogram Dalam Image Retrieval. Diakses dari ilmukomputer.org/wpcontent/uploads/2009/10/yanuwid-cbir.pdf pada tanggal 22 Juni 2012. [16] Wiryanta, B. 2002. Bertanam Tomat. Jakarta : AgroMedia Pustaka. [17] Zakariya, Andriansyah. 2009. Pengenalan Huruf Dan Angka Pada Citra Digital Menggunakan Jaringan Syaraf Tiruan Dengan Algoritma Hopfield Sebagai Metode Pembelajaran. Bandung : UNIKOM.
